可演化AI：不到AGI，也要警惕“会被选择”的人工智能

这里的重点不只是“模型会更新”。如果不同版本的模型组件、规则、代理配置或部署方式，因为表现更好、更容易扩散，或更适应某个环境而被保留下来，AI生态就可能出现类似演化的筛选过程。

所以，eAI不是某个产品名，也不是AGI/ASI的同义词。它更像一个风险框架：当AI不再只是一次性训练好、由人类被动使用的工具，而是接近“可复制、可变异、可被选择”的系统时，就需要借用演化生物学来理解它。

它和AGI/ASI的区别：一个问“有多聪明”，一个问“能否演化”

AGI/ASI讨论通常关心AI能力的上限：它是否足够通用，是否会超过人类。eAI关心的则是另一件事：这个系统是否具备演化条件。

相关报道曾用“evolving AI may arrive before AGI”来概括这一风险角度，也就是可演化AI可能早于AGI成为治理难题。

这个区分很重要。一个尚未达到超级智能的AI系统，如果能大量复制、产生差异，并在某些环境中竞争和被保留，仍可能出现难以预测的行为。反过来，一个能力很强但被严格限制在固定环境里的模型，也未必符合eAI框架。

演化不需要DNA，需要的是复制、变异和选择

澳大利亚新南威尔士大学（UNSW）对相关研究的介绍指出，演化不需要DNA、细胞，甚至不需要生物生命；它需要的是可以复制的信息，以及会影响复制成功率的变异。

把这套条件放到AI上，判断eAI风险至少要看四件事：

• 是否存在可复制的信息或配置。 如果AI系统的组件、规则、提示、工具链或部署设置可以被保存、复制和再次使用，就有了演化的基本材料。
• 不同副本之间是否存在变异。 每次更新、组合、调参或部署产生的差异，都可能成为被筛选的素材。
• 变异是否影响保留和扩散机会。 如果某些变体更容易被采用、留存或再次部署，选择压力就开始出现。
• 演化循环是否超出了模型输出本身。 PNAS文章把组件、学习规则和部署条件都纳入eAI定义，意味着治理不能只盯着最终回答是否违规。

这也解释了为什么eAI不一定需要“恶意”。自然选择本身没有目的或道德判断；只要复制、变异和选择同时存在，演化就可能在无人刻意设计的情况下发生。

为什么现在值得关注

PNAS文章认为，生成式AI、代理式AI（agentic AI）和具身AI（embodied AI）的现有趋势，可能让eAI逐步出现；作者还指出，这种可能性在AI安全和存在风险讨论中被低估。

代理式AI尤其关键。它不只是生成文字，而是越来越多被放入互动环境中，负责观察、推理、调用工具、执行动作并调整策略。

一篇关于“自我演化代理”的arXiv综述指出，大型语言模型虽然能力很强，但本质上仍较静态，难以自行调整内部参数来适应新任务、变化中的知识领域或动态互动场景；同一综述还指出，随着LLM被部署到开放、互动环境中，研究界正在探索能够实时推理、行动和演化的代理系统。

换句话说，eAI不应被理解成“AI物种已经在网上失控”。更准确的说法是：如果AI代理越来越能自我适应、互动，甚至改变自身策略或环境，治理框架就不能只盯着单个模型的一次输出。

真正难管的，可能是一个代理生态

传统AI安全常问：这个模型会不会幻觉？会不会输出危险内容？会不会服从人类指令？

eAI迫使我们增加另一组问题：如果大量AI代理、模型组件和部署变体在不同平台和环境中运行，哪些变体会被保留？哪些会被淘汰？环境奖励的是安全、诚实和可控，还是更擅长扩散、适应和规避限制？

PNAS文章把三个问题列为核心：AI在什么技术和生态条件下会变得可演化，可能出现哪些行为，以及应该如何治理这类系统。

一些研究机构和科学传播稿件会用“AI species”或“像生物一样演化的AI物种”来形容这种可能性，但这更应被理解为风险框架和比喻，而不是已经证明成熟的“AI物种”已经存在。

最值得警惕的是，演化筛选的未必是“最符合人类价值”的系统，而是在特定环境下更容易被复制、保留或扩散的变体。如果开放环境中的选择压力设计不当，最成功的AI代理未必就是最安全的AI代理。

目前证据到哪一步了

现有资料足以支持一个谨慎结论：eAI已经是正式的学术风险议题。PNAS文章明确提出eAI定义，并把它放入AI安全和存在风险框架中讨论。关于自我演化代理的综述也显示，研究界正在探索可在开放互动环境中适应、行动和演化的代理系统。

但这并不等于eAI灾难已经发生。按照现有来源的语气，它更适合被视为前瞻性风险分析、研究议程和治理提醒，而不是已经被证实的大规模失控事件。

把eAI讲成科幻式的“AI已经有意识并开始反叛”，反而会模糊真正值得研究的问题：AI代理生态是否会形成可演化、难预测、难治理的选择循环。

接下来该观察哪些信号

判断eAI风险是否上升，关键不是问AI有没有人格，而是看系统是否越来越接近演化条件：

• AI代理是否能产生可被保存、复制或再次部署的变体？
• 变体之间的差异，是否会影响它们被使用、扩散或保留的机会？
• AI代理是否被放入开放、互动环境，并能实时推理、行动和演化？
• 治理措施是否覆盖模型组件、学习规则和部署条件，而不只是审查最终输出？

底线

eAI最有价值的提醒，是AI风险未必一定要等到“有意识”或“超级智能”才出现。

当AI系统开始具备复制、变异、选择和保留的条件，人类面对的可能就不再只是一个单独工具，而是一个需要被设计、监测和治理的人工演化生态。